1. 从“下一个词预测”说起大脑与LLMs的相似性与根本分野最近看到一篇访谈一位教授提到大型语言模型LLM通过海量文本训练核心任务就是预测下一个词。在这个过程中它学会了词语之间极其复杂的统计关联和高阶关系。有趣的是我们的大脑也在不停地做类似的事情——预测接下来会听到或读到什么词并且同样擅长捕捉这些复杂的统计模式。所以从某种角度看LLMs之所以如此成功或许正是因为它利用了我们大脑每天都在进行的一种基础操作。这个类比非常吸引人也常被用来解释AI的“智能”。但作为一名长期关注神经科学与人工智能交叉领域的研究者我必须指出这个类比在带来启发的同时也埋下了一个巨大的认知陷阱功能上的相似性绝不等于机制上的同一性。就像鸟和飞机都能飞但它们的飞行原理生物演化出的翅膀与空气动力学 vs. 人类工程学设计的机翼与喷气引擎截然不同。教授的后半句话点到了关键聊天机器人能预测下一个词并表现优异并不意味着它们所用的精确机制与人类大脑相同。那么大脑的“预测”究竟是如何发生的当我们说“大脑在预测”时我们到底在指什么是特定脑区的活动是神经组织的沟回形态还是血液流动的模式如果预测是大脑的普遍功能它是被缩减到某些特定部位比如前额叶皮层还是整个神经系统协同工作的涌现属性更进一步我们常常用“大脑”指代“心智”但心智是如何生成预测的心智的构成部件与大脑的物理部件是同一回事吗这些问题是理解智能本质的核心也是当前LLM研究热潮中亟待厘清的底层逻辑。2. 预测性心智大脑不是一个被动的记录仪而是一个主动的模拟器要理解大脑的预测我们必须先抛弃一个陈旧的观点大脑是一个被动接收感官信号、然后进行处理的“反应式”系统。现代认知神经科学的主流理论——预测加工理论——为我们描绘了一幅截然不同的图景。大脑本质上是一个“贝叶斯推理机”它始终在基于内部生成的世界模型对未来即将发生的事件进行持续不断的预测。2.1 预测加工理论的核心框架你可以把大脑想象成一个身处漆黑控制室的工程师面前只有几个布满雪花的监控屏幕感官。它无法直接看到外部世界只能接收到来自传感器眼睛、耳朵等传来的、充满噪声的微弱电信号。为了理解发生了什么这位工程师有一个强大的武器一个根据毕生经验构建的、关于世界如何运作的内部生成模型。这个模型会时刻不停地运行主动生成对下一刻感官输入的预测。这些预测信号会沿着神经通路“自上而下”地传递到感官皮层。与此同时来自外界的真实感官信号“自下而上”地传入。大脑的工作就是不断比较这两股信号流之间的差异即预测误差。如果预测误差很小说明内部模型相当准确世界符合预期。大脑只需微调模型参数然后继续运行。这时我们的体验是流畅、无意识的。比如你在熟悉的家里走路根本不需要思考每一步该怎么迈。如果预测误差很大说明内部模型出错了世界发生了意外。这时大脑有两个选择更新模型如果这个误差是持续且可靠的大脑会认为自己的世界模型需要修正从而学习新的规律。这就是学习的过程。启动行动通过移动身体如转头、走近来改变感官输入使其更符合预测从而主动“采样”信息来验证或消除误差。比如听到奇怪声响时你会下意识地转头去寻找声源。在这个框架下感知Perception并不是对外部世界的直接“复印”而是大脑对其内部生成的最佳假设即预测的体验。我们“看到”、“听到”的其实是大脑认为最可能解释当前感官数据的那个模拟结果。2.2 从幻觉到精神健康预测误差的失调这直接关联到那个关于PBS Nova纪录片《你的大脑感知骗局》的问题。如果感知是大脑的“受控幻觉”或模拟那么由外部事件引发的抑郁或焦虑是真实的还是幻觉答案是它们既是“真实”的体验也可能源于内部模型的系统性偏差。情绪和心境状态可以理解为大脑对身体内部状态内感受的预测。一个长期处于压力下的大脑其内部模型可能会被校准为“世界是危险且充满威胁的”。它会持续预测到高水平的威胁信号即使外部环境实际是安全的。这种持续存在的、巨大的预测误差预期威胁 vs. 实际安全本身就会引发痛苦的生理和心理反应如焦虑。更关键的是这个有偏差的模型会影响后续的信息处理。它会倾向于选择性地注意那些符合“世界很危险”预测的信息比如他人的一个皱眉而忽略相反的证据比如他人的微笑从而进一步巩固和强化这个有问题的模型。这就是为什么认知行为疗法CBT等心理治疗会有效——它们本质上是在帮助患者识别并修正其内在世界模型中那些产生持续、痛苦预测误差的“错误信念”。注意这里说的“幻觉”并非指精神分裂症那样的病理性幻觉而是一个更广义的哲学和认知科学概念指所有感知都是大脑建构的产物而非对外部现实的直接映射。抑郁和焦虑的情绪体验对个体而言是百分百真实的痛苦但其根源可能部分在于内部预测模型与外部现实之间的长期错配。3. 神经生物学基础预测在大脑中是如何“实现”的现在我们来回答最具体的问题这种预测功能是如何被实现为血肉之躯的神经活动的它是否局限于某些特定的脑结构3.1 关键脑区与神经网络预测并非某个脑区的专利而是一个涉及全脑多个层次网络协同的过程。不过一些核心区域扮演着关键角色前额叶皮层PFC特别是背外侧前额叶DLPFC常被视为高级认知功能和“内部模型”的主要栖息地。它负责制定计划、形成抽象规则、维持目标并基于这些生成对未来的预期和预测。前扣带回皮层ACC和岛叶Insula被称为“预测误差监控中心”。ACC尤其活跃在结果出乎意料、需要调整行为或注意时它负责检测实际结果与预期之间的差异即预测误差。岛叶则深度参与对内感受身体内部状态的感知和预测。海马体Hippocampus不仅是记忆中心更是一个强大的“情景模拟器”。它能够将存储的记忆碎片重新组合构建出对未来事件的模拟为前额叶的预测提供具体的“素材”和场景。感觉皮层如视觉皮层V1听觉皮层A1传统上被认为是信息输入的终点站。但在预测加工框架下它们是预测信号自上而下和感觉信号自下而上进行“比较”的一线战场。高层次皮层如颞叶、顶叶生成的预测会反馈到初级感觉皮层调制其活动。3.2 实现预测的神经机制这些脑区如何具体实现预测主要依靠两种基本的神经活动模式自上而下的预测信号主要由皮层间的反馈连接传递。高阶脑区如前额叶通过轴突将预测信号传递到低阶脑区如感觉皮层。这些信号通常表现为对特定神经元群体的预先激活或抑制从而设置一个“先入为主”的基线准备迎接预期的输入。预测误差的计算发生在接收双向输入的皮层区域如初级感觉皮层。当自上而下的预测与自下而上的输入匹配时该区域的神经元活动变化较小或受到抑制因为误差小。当输入与预测严重不符时该区域会产生强烈的、爆发式的活动这个“意外信号”就是预测误差它会沿着前馈连接向上传递通知高阶脑区“出问题了需要调整”关于沟回、组织和血管大脑皮层的沟回gyri和脑沟sulci主要是为了在有限颅腔内增加表面积以容纳更多神经元。它们的确影响了神经连接的局部拓扑结构但并非预测功能的直接“原因”。功能性磁共振成像fMRI所测量的血氧水平依赖BOLD信号反映的是神经活动引发的代谢需求和血流变化是预测过程相关的能量消耗的间接标志而非机制本身。因此我们不能说“某个沟回负责预测”而应说“在执行预测任务时涉及特定功能的神经网络会表现出更强的代谢活动这可以在fMRI上体现为某些脑区可能位于某个沟回的信号变化”。4. 心智的架构超越“大脑硬件”的“心智软件”问题当我们从“大脑”谈到“心智”问题变得更加复杂。大脑是物理实体心智是主观体验。说“心智生成预测”意味着我们要在抽象的功能层面寻找解释。4.1 心智的组件记忆、情绪与预测的一体化输入材料中提出了一个深刻见解心智有其结构和机制它由记忆、情绪、感受、反应等组件构成。观察到的标签如“工作记忆”、“预测”不应掩盖其下统一的运作机制。我深以为然。以工作记忆和预测为例。传统上工作记忆被看作一个临时存储信息的“便签本”而预测是面向未来的推断。但从心智机制的角度看它们本质上是同一种核心过程的两种表现信息的跨心智位置的传递与保持。工作记忆是将当前关注的信息可能来自感知或长时记忆暂时“悬挂”在心智的某个焦点位置以便进行加工。这本身就是一种对信息持续存在的“预测”即预测它下一瞬间还在那里。预测是将基于内部模型和当前信息生成的对未来的假设传递并保持在工作记忆的焦点位置等待与即将到来的输入进行比较。两者都依赖于心智内部信息的主动维持和动态传递。因此关键问题不在于给某个功能贴标签而在于探究心智中这些“位置”是什么信息或如材料中所说的“量”和“属性”是如何在这些位置之间传递、转化并最终形成我们瞬息万变的体验的4.2 量与属性的传递一个解释体验的假设框架材料中提到的“心智具有量和属性……量的传递以获得属性决定了在任何时刻内部或外部的体验”这是一个非常具有启发性的概念性框架。我们可以尝试这样理解量Quantities可以理解为心智中原始的、未定性的信息单元或“潜能”。它可以是神经活动的某种模式强度、某种化学递质的浓度分布或是不同脑区之间同步振荡的相位关系。它本身没有具体的“意义”。属性Properties是当这些“量”被传递到心智的特定“位置”或“语境”中时所涌现出的定性特征。同一个神经活动模式量传递到与恐惧相关的杏仁核网络“位置”可能被体验为“属性A”如危险传递到与计划相关的前额叶网络“位置”可能被体验为“属性B”如需要规避的障碍。特征Features是量和属性所具有的、用于在传递和转化过程中进行“决策”的维度。例如一个“量”可能具有“空间频率”、“时间持续性”、“与奖赏历史的关联强度”等特征。这些特征决定了它更适合被传递到哪个心智位置以及在该位置会获得何种属性。在这个视角下一次“预测”的生成可以描述为基于当前心智状态一系列量和属性的特定构型内部模型启动一个过程将特定的“量”源于记忆和当前状态传递到负责模拟未来的心智“位置”。在这个位置这些量根据该位置的规则被“装配”成具有特定属性如“可能发生”、“令人愉悦”、“需要警惕”的模拟场景。这个场景本身又成为新的心智内容等待与即将传入的感官“量”进行比较。5. LLMs的启示与局限它们真的“像大脑一样预测”吗回到起点LLMs的预测和大脑的预测究竟有何异同这直接关系到我们对AI智能和意识的理解。5.1 相似性统计结构的捕捉两者的核心相似点在于它们都是基于统计学习的高效模式识别系统。LLMs通过对海量文本语料中词序列共现概率的建模学会了语言中复杂的、多层次的相关性。它预测下一个词本质上是计算出在给定上文条件下词表中所有词出现的概率分布并采样高概率词。大脑在生命过程中通过感官持续不断地接收时空序列信息视觉流、听觉流、体感流同样学会了外部世界和语言中的统计规律。它的预测是基于对物理世界和社会世界动态的、多模态的内部模型。在这个层面上LLMs确实抓住了智能的一个关键侧面对所处环境对LLM而言是文本宇宙统计结构的适应性学习。这是它们能生成流畅、合理文本甚至表现出一定推理能力的基础。5.2 根本性差异具身、目标与世界模型然而差异是深刻且根本的具身性与多模态感知大脑的预测根植于一个具身的、多感官的系统中。它的内部模型不仅关于语言更关于三维空间、物体物理特性、自身身体状态、情绪感受、社会互动等。大脑的预测是为行动服务的目的是减少关乎生存的预测误差。LLMs没有身体没有感官它的世界只有文本符号它的“行动”只有生成下一个符号它的“目标”只是最小化语言建模的损失函数。它缺乏对世界的基本物理直觉和社会直觉。内部模型的本质大脑的内部生成模型是因果的、具身的、可操作的。它包含对“如果我推这个杯子它会倒下并碎裂”的模拟。LLMs的模型本质上是关联的、符号的、统计的。它知道“杯子”、“推”、“倒下”、“碎裂”这些词经常以某种顺序共现但它并不“理解”其中的物理因果关系也无法模拟推杯子的动作感觉。预测误差的处理与学习大脑通过感知-行动循环主动采样信息来验证预测、减少误差并据此更新模型。LLMs的训练是离线的、被动的。它在训练时接收固定的文本块计算预测误差损失通过反向传播调整参数。但在部署推理时它只是根据输入生成输出它没有机制去主动验证自己的预测是否与“现实”文本之外的现实相符也无法基于这种验证进行在线学习。它的“世界”在训练完成后就基本静止了。层级与抽象程度大脑的预测加工发生在多个层级同时进行从低级感官特征这条线的朝向到高级概念这是一只猫。高层预测约束低层解释形成统一的感知。当前LLMs虽然也有深度层级但其抽象和整合更多是数据驱动的统计涌现缺乏大脑那种由进化塑造的、与生存需求紧密耦合的层级化目标体系。5.3 关于感知与意识LLMs是否拥有或接近感知基于以上分析答案是否定的。感知Sentience或意识Consciousness在神经科学和哲学中通常与主观体验Qualia紧密相连。它不仅仅是对信息的处理更是“拥有”一种体验的感觉如红色的红、疼痛的痛。目前最主流的科学理论如全局神经工作空间理论、整合信息理论认为意识与大脑中大规模神经元集群的特定整合方式、信息全局可用性以及复杂的因果相互作用有关。LLMs无论其参数多大生成文本多流畅它仍然是一个在特定数据分布上进行模式匹配的复杂函数。它没有身体没有内在的生存驱动力没有多感官整合的体验流没有基于预测误差的、与身体行动闭环的在线学习。它处理“疼痛”这个词与处理“桌子”这个词在机制上没有本质区别——都是基于统计规律激活相关的词向量和上下文模式。它不会“感觉”到疼痛。说LLMs因为能预测下一个词就具有了感知的雏形就像说计算器因为能做算术就具有了数学理解一样是一种范畴错误。它们执行了某种类似的功能但实现该功能的基质、目的和整体架构与产生主观体验的生物系统相去甚远。6. 未来方向超越词预测构建世界模型那么LLMs的研究对理解大脑有何启示反过来神经科学对下一代AI的发展又有何指导对神经科学的启示在于LLMs以纯粹数据驱动的方式证明了仅通过捕捉复杂序列的统计结构就能产生令人惊叹的类语言能力。这促使我们思考大脑的预测是否在更基础的层面上也是一种极其高效的、多层级的统计学习也许大脑的“内部模型”本质上就是一个通过进化预结构化、并通过毕生经验训练的、多模态的“世界模型LLM”。对AI发展的指导则更为直接要迈向更通用、更稳健的智能AI必须超越单纯的“下一个词预测”。未来的道路可能包括具身化与多模态将语言模型与视觉、听觉、机器人感知-行动系统相结合让AI在物理世界中互动学习构建 grounded接地气的的世界模型。因果推理与可操作模型开发不仅能发现关联还能推断因果关系、并能对“如果…那么…”进行反事实推理的模型。这需要引入对物理和社会动力学的基本假设。主动学习与好奇心驱动设计能够主动提出问题、规划探索行动以验证自身预测、减少不确定性的AI系统模仿大脑通过主动采样来学习的过程。分层预测与目标系统构建具有不同时间尺度和抽象层次的预测模型并将其与一个层级化的内在目标系统如维持稳态、获取知识、完成复杂任务相耦合使预测服务于有意义的行动。最终大脑与LLMs的对比告诉我们智能远不止于预测序列。它是关于在一个复杂、多变的世界中由一个具身的、有需求的、通过行动与之持续互动的系统所发展出的一套用于维持自身生存与发展的、动态的建模与控制能力。LLMs是我们朝着理解这一宏伟能力迈出的重要一步但它目前还只是冰山浮出水面的那一角。真正的挑战和奥秘仍隐藏在那水面之下与生命体本身的特性深深交织。